空间域去噪+滤波器简单总结

空间域去噪+滤波器简单总结

注：下述为在空间域进⾏噪声处理的⼀些滤波器作⽤简单总结，来源于冈萨雷斯的《数字图像处理》，如果错误请指出，谢谢！相反的词语

⽂章⽬录

去噪： 通过线性滤波器和⾮线性滤波器的模糊处理可以减⼩噪声；

⼀、平滑空间滤波器

1. 线性空间滤波器

均值滤波器：减⼩了图像灰度的尖锐变化，存在着不希望出现的边缘模糊的负⾯效应；

⾼斯低通滤波器；

拉普拉斯滤波器：增强图像，可以起到边缘锐化的对联福字 作⽤，使图像更清晰；

2.⾮线性空间滤波器（统计排序滤波器）

中值滤波器： 使⽤⾮常普遍，对于⼀定的随机噪声，它提供了优秀的去噪能⼒，⽐⼩尺⼨的线性平滑滤波器的模糊程度明显要低。中

值滤波器对于处理脉冲噪声，也称为椒盐噪声⾮常有效，因为这种噪声是以⿊⽩点叠加在图像上的；

最⼤值滤波器；

最⼩值滤波器；

⼆、锐化空间滤波器

锐化处理的主要⽬的是突出图像中的细节或者增强被模糊了的细节，⽤空间微分来完成。

1. 基于⼆阶微分的图像增强-拉普拉斯算⼦：属于线性空间滤波器的⼀种，可⽤拉普拉斯算⼦进⾏图像锐化；

2. 推演：⾼提升滤波；

3. 基于⼀阶微分的图像增强-梯度法：主要⽤于边缘检测，Sobel算⼦；

拉普拉斯和梯度法的区别：

拉普拉斯变换可以突出图像中的⼩细节，梯度法可以突出边缘。

拉普拉斯变换作为⼀种⼆阶微分算⼦在图像细节增强处理⽅⾯有明显的优点，但拉普拉斯变换与梯度变换相⽐会产⽣更多的噪声。

梯度变换在灰度变化的区域（灰度斜坡或者阶梯）的响应要⽐拉普拉斯变换更为强烈，⽽梯度变换对噪声和⼩细节的响应要⽐拉普拉斯

变换弱。

sobel图像的边缘要⽐拉普拉斯图像的边缘突出许多。

三、混合空间增强法

为了达到⼀个满意的结果，对给定的图像增强⽬标需要应⽤多种互补的图像增强技术。

四、噪声存在下唯⼀的空间滤波复原

1.均值滤波器

1. 算数均值滤波器：均值简单的平滑了⼀幅图像的局部变化，在模糊了结果的同时减少了噪声；

2. ⼏何均值滤波器：⼏何均值滤波器所达到的平滑度可以和算数均值滤波器相⽐，但在滤波过程中会丢失更少的细节；

3. 谐波均值滤波器：对于“盐”噪声效果更好，但是不适⽤于“胡椒”噪声，善⽤于处理⾼斯噪声那样的噪声；

4. 逆谐波均值滤波器：适合减少或者消除椒盐噪声的影响，Q为正数时，消除胡椒噪声，Q为负数时，消除盐噪声。但是不能同时消除这

两种噪声。

总的来说，算数均值滤波器和⼏何均值滤波器（尤其是后者）更适⽤于处理⾼斯或者均匀等随机噪声。谐波均值滤波器更适⽤于处理脉冲羽毛球技巧 噪

声，但是它有个缺点是必须知道噪声是暗噪声还是亮噪声，以便于选择合适的Q符号，如果Q符号选错了则会有灾难性后果。

2. 顺序统计滤波器

1. 中值滤波器：对于很多种随机噪声，它都有良好的去噪能⼒，且在相同尺⼨下⽐起线性平滑滤波器引起的模糊较少。对于单级或者双

极脉冲噪声⾮常有效，它是⽬前为⽌图像处理中最常⽤的⼀种顺序统计滤波器，重复的使⽤中值滤波器可能会使得图像模糊化，所以

应该尽可能保持所希望的七点整 处理次数；

2. 最⼤值和最⼩值滤波器： 中点滤波器：对于⾼斯和均匀随机分布这类懒的成语 噪声有最好的效果；

3. 修正后的阿尔法均值滤波器：在包括多种噪声的情况下⾮常适⽤，例如⾼斯噪声和椒盐噪声混合的情况下；

4. ⾃适应滤波器：优于迄今为⽌讨论过的所有滤波器的性能，但是代价是滤波器的复杂度，例如89年是什么命 ，⾃适应中值滤波器；